基于辅助属性的广义比例估计器在辐射暴露研究中的应用与优化

为解决辐射暴露研究中传统比例估计器效率低下的问题，研究人员开发了一种基于辅助属性的广义比例估计器（P?GEN），通过整合多个辅助变量（如暴露区域、职业类型等）显著提升了估计精度。该研究利用真实辐射数据集验证了估计器的优越性，其均方误差（MSE）较传统方法降低达90%以上，为流行病学风险评估和公共卫生政策制定提供了更可靠的理论工具。

　　

在辐射暴露风险评估和公共卫生研究中，准确估计特定人群的暴露比例至关重要。然而，传统调查方法往往面临成本高、数据获取难的问题，尤其是当目标人群规模庞大或暴露特征难以直接测量时。现有比例估计器大多依赖单一辅助变量，无法充分利用多源信息，导致估计效率低下。尤其在辐射研究领域，暴露水平与职业类型、防护设备使用情况等属性密切相关，亟需开发能够整合多维度辅助信息的估计方法。

为突破这一局限，研究人员在《Journal of Radiation Research and Applied Sciences》发表了一项创新研究，提出了一种基于辅助属性的广义比例估计器（P?_GEN）。该估计器通过引入可调参数和指数变换结构，能够灵活适应不同数据特征，并兼容多种经典估计器作为特例。研究团队采用真实辐射数据集（涉及药物甲虫Stegobium paniceum的辐射暴露实验）和模拟数据，通过三组不同协方差结构的总体验证了估计器的性能。

关键技术方法包括：1）基于双变量正态分布的模拟数据生成（总体规模1000，样本量200）；2）传统估计器（如简单随机抽样估计器P?_U、比率估计器P?_Ratio等）作为对比基准；3）广义估计器的偏差（Bias）和均方误差（MSE）计算；4）利用辅助属性相关系数（ρ_??1??2）和变异系数（C_??1, C_??2）优化参数选择。

研究结果

1. 估计器构建与理论推导

通过引入参数Ψ₁、Ψ₂和指数调节因子g，构建了广义估计器P?_GEN。理论分析显示，其偏差和MSE均依赖于辅助属性的变异系数和相关系数，当辅助变量与主要变量高度相关时（如ρ>0.7），估计精度显著提升。

2. 数值模拟验证

在三个不同总体中（协方差矩阵分别为∑₁=［2,3;3,5］、∑₂=［2,3;3,10］、∑₃=［2,-2;-2,4］），广义估计器的MSE均低于传统方法。例如在总体I中，P?_GEN的MSE为3.87×10^-6，而传统比率估计器为3.95×10^-3，效率提升超过1000倍。

3. 实际数据应用

利用药物甲虫辐射实验数据（样本量n=6），广义估计器在估计暴露比例时表现出更小的波动性。当暴露阈值设为106（单位：辐射剂量）时，P?_GEN的估计误差较常规方法降低58%-72%。

结论与讨论

该研究提出的广义比例估计器通过有效整合辅助属性信息，解决了传统方法在复杂现实场景中的局限性。其核心优势在于：

1. 1.
   灵活性：通过参数调节可适配不同数据分布，涵盖经典估计器为特例；
2. 2.
   鲁棒性：在辅助变量与主要变量相关性较弱时（如ρ<0.3）仍保持稳定性能；
3. 3.
   实践价值：为辐射暴露研究、流行病学调查等需要比例估计的领域提供了高效工具。

未来研究可进一步探索该估计器在多重辅助变量场景下的扩展，以及其在动态监测数据中的应用潜力。这一成果不仅推动了抽样理论的发展，也为公共卫生决策提供了更可靠的数据支撑。